以下内容基本上是 AI 生成的，我还没校对，可能质量不高
Promplate¶
Templating framework and agent orchestrator that progressively enhances your prompt engineering workflow with minimal dependencies.
Promplate 是一个专注于开发体验的 Prompting 框架。它既是一个轻量级的模板引擎，也是一个灵活的 LLM 调用 SDK。
核心抽象¶
Promplate 的设计建立在两个极简抽象之上：
抽象一：LLM 是函数¶
# python/promplate/llm/base.py:15-20
class Complete(Protocol):
def __call__(self, prompt, /, **config) -> str: ...
class Generate(Protocol):
def __call__(self, prompt, /, **config) -> Iterable[str]: ... #(1)!
- 流式版本返回可迭代的增量，用
itertools.accumulate累积得到完整输出
任何符合这个签名的函数都可以当作 LLM 使用——OpenAI SDK、Anthropic SDK、甚至一个硬编码的 lambda x: "hello"。
抽象二：Agent 是有限自动机¶
# python/promplate/chain/node.py:107-142
class Interruptible(AbstractNode, Protocol):
def _invoke(self, context: ChainContext, /, complete: Complete | None, callbacks: list[BaseCallback], **config): ...
async def _ainvoke(self, context: ChainContext, /, complete: AsyncComplete | None, callbacks: list[BaseCallback], **config): ...
def _stream(self, context: ChainContext, /, generate: Generate | None, callbacks: list[BaseCallback], **config) -> Iterable: ...
async def _astream(self, context: ChainContext, /, generate: AsyncGenerate | None, callbacks: list[BaseCallback], **config) -> AsyncIterable: ...
Interruptible 定义了状态节点的统一接口。所有节点都遵循相同的生命周期：
# python/promplate/chain/node.py:146-155
def enter(self, context: Context | None, config: Context):
callbacks: list[BaseCallback] = ensure_callbacks(self.callbacks)
for callback in callbacks:
context, config = callback.on_enter(self, context, config)
return context, config, callbacks #(1)!
on_enter/on_leave允许在节点执行前后拦截、修改 context 或 config
在此之上：
Node：单个状态节点（模板 + LLM 调用）Chain：顺序执行的状态序列Loop：带循环的状态链——这就是 AgentJump：控制流转移，允许跳出或跳入任意Interruptible
模板编译器¶
Promplate 的模板引擎会直接生成 Python 代码：
# python/promplate/prompt/template.py:95-117
def compile(self, sync=True, indent_str="\t"):
self._buffer = []
self._ops_stack = []
self._builder = get_base_builder(sync, indent_str) #(1)!
for token in split_template_tokens(self.text):
s_token = token.strip()
if s_token.startswith("{{") and s_token.endswith("}}"):
self._on_eval_token(token)
elif s_token.startswith("{#") and s_token.endswith("#}"):
self._on_exec_token(token)
elif s_token.startswith("{%") and s_token.endswith("%}") and "\n" not in s_token:
self._on_special_token(token, sync)
else:
self._on_literal_token(token)
- 构建器生成
def render(): ...或async def render(): ...函数框架
TemplateCore 的巧妙之处在于错误处理策略：
# python/promplate/prompt/template.py:120-124
error_handling: Literal["linecache", "tempfile", "file"]
if version_info >= (3, 13):
error_handling = "linecache" #(1)!
else:
error_handling = "tempfile" if __debug__ else "file"
- Python 3.13+ 直接注册到
linecache，错误堆栈直接显示模板行号
这段机制确保编译后的模板代码"有文件可循"。出错时，Python 的 traceback 会打印出编译后的源码（而非只显示 <string> 中的错误）。linecache 或临时文件是懒加载的，仅在报错时创建，最小化了运行时开销。
Context 流转¶
ChainContext 继承自 SafeChainMapContext（即 collections.ChainMap 的子类），支持多层上下文叠加：
# python/promplate/chain/node.py:12-53
class ChainContext(SafeChainMapContext):
@overload
def __new__(cls): ...
@overload
def __new__(cls, least: C, *maps: Mapping) -> C: ...
@overload
def __new__(cls, least: MutableMapping | None = None, *maps: Mapping): ...
def __init__(self, least: MutableMapping | None = None, *maps: Mapping):
super().__init__({} if least is None else least, *maps)
@classmethod
def ensure(cls, context):
return context if isinstance(context, cls) else cls(context) #(1)!
- 自动包装普通
dict为ChainContext，确保类型一致性
__result__ 键专门用于存储 LLM 的输出：
# python/promplate/chain/node.py:39-49
@property
def result(self):
return self.__getitem__("__result__")
@result.setter
def result(self, result):
self.__setitem__("__result__", result)
@result.deleter
def result(self):
self.__delitem__("__result__")
这样在 Chain 中后续的节点就能访问前面节点的输出，自然形成数据流。